论文部分内容阅读
距离度量是影响k-近邻（KNN）法分类精度的重要因素之一。提出一种融合邻域信息的k-近邻算法。首先，定义了样本邻域的概念，并根据邻域的影响提出2条相应准则；然后，在计算测试样本与训练样本的距离时，综合考虑了样本邻域所带来的影响。该算法不仅可以更加精确地刻画样本之间的距离，而且一定程度上增强了KNN的稳定性。该方法在UCI标准数据集上进行了测试，结果表明，性能优于或与其他相关的分类器相当，并且在噪声扰动下具有较强的鲁棒性。